基于白盒信号亚空间探针的图数据集操作特征指纹

图神经网络在节点分类任务中取得优异准确率，但所学习的消息传递将ego属性、邻域平滑、高通图差异、类别几何和分类器边界效应等内在于不透明的表示中。这种做法掩盖了节点为何被分类以及数据集所需的图学习机制。我们提出WG-SRC（White-box Graph signal-Subspace Classifier），一种用于预测和图数据集诊断的白盒信号亚空间探针。WG-SRC以固定的、命名的图信号字典取代所学习的消息传递，包含原始特征、行归一化和对称归一化低通传播，以及高通图差异。它结合Fisher坐标选择、类别wise PCA子空间、闭形式多alpha岭分类和基于验证的得分融合，使得预测和分析依赖于显式的类别子空间、受能量控制的维度和闭形式线性决策。作为一种白盒图学习工具，WG-SRC使用预测性能来验证其诊断。跨六个节点分类数据集，WG-SRC在复现基线测试中保持竞争力，在对齐划分下实现正平均提升。其图谱将行为分解为原始特征、低通、高通、类别几何和岭边界组成部分。所得指纹区分低通主导的Amazon图、混合高通和类别几何复杂的Chameleon行为，以及原始或边界敏感的WebKB图。对齐干预显示高通何时作为可移除噪声，何时应保留原始或图导出信号，何时需要岭校正。因此，WG-SRC既是一款功能性白盒分类器，也是数据集指纹探针，使其能够在不同图信号条件下，对黑盒模型组件进行指纹条件分析。